Category Archives: ล่าสุด

[ad_1] บทเรียนที่ควรรู้ 1. SeaLLM เวอร์ชั่นที่ 3 เป็นโมเดล LLM ที่เน้นความสามารถในภาษาแถบอาเซียน SeaLLM เวอร์ชั่นที่ 3 เป็นโมเดล LLM ที่พัฒนาโดย DAMO Academy สถาบันวิจัยของ Alibaba ซึ่งมีความสามารถในการทำงานกับภาษาแถบอาเซียนโดยเฉพาะ 2. การทดสอบ SeaLLM3 ในภาษาไทย กระบวนการทดสอบ SeaLLM3 ใช้ชุดทดสอบ M3Exam และ SeaBench พบว่าโมเดลนี้มีคะแนนสูงกว่าโมเดลอื่นๆ ในภาษาไทย ปัญหาและวิธีการแก้ไข 1. ปัญหาความสามรถในการแปลภาษา การทดสอบ SeaLLM3 พบว่ามีปัญหาในการแปลภาษาในบางกรณี แต่สามารถแก้ไขได้โดยพัฒนาโมเดลต่อไป 2. ปัญหาการจำกัด SeaLLM License SeaLLM เปิดให้ใช้งานฟรี แต่จำกัดว่าต้องขออนุญาตหากบริการมีผู้ใช้งานเกิน 100 ล้านคนต่อเดือน การแก้ไขโดยเพิ่มความยืดหยุ่นในการใช้งาน คำถามที่ถามบ่อย 1. SeaLLM3 มีความสามารถในการทำงานกับภาษาอื่นๆ นอกจากภาษาแถบอาเซียนหรือไม่? SeaLLM3 […]

[ad_1] 2 บทเรียนที่ควรรู้ 1. ความสำคัญของการทดลองและประเมินประสิทธิภาพของโมเดล AI การทดลองและประเมินประสิทธิภาพของโมเดล AI เช่น ChatGPT เป็นขั้นตอนสำคัญที่ช่วยให้เราเข้าใจความสามารถและข้อจำกัดของโมเดลนั้น ๆ โดยเฉพาะเมื่อเป็นการใช้งานในงานวิจัยหรือการแก้ปัญหาทางวิทยาศาสตร์ 2. การตั้งคำถามและประเมินความสามารถของ AI ในการแก้ปัญหาต่าง ๆ การตั้งคำถามที่ชัดเจนและครบถ้วนเป็นสิ่งสำคัญเมื่อต้องการวัดความสามารถของ AI ในการแก้ปัญหาต่าง ๆ อันที่จริง ChatGPT สามารถแก้โจทย์ระดับง่ายได้ดีมากกว่าที่ต้องพบกับโจทย์ใหม่หลังปี 2021 2 ปัญหาและวิธีการแก้ไข 1. ปัญหาความจำของโมเดล ChatGPT โมเดล ChatGPT มีปัญหาในการจำข้อมูลหรือคำถามที่มีอยู่หลายปี ทำให้มีความล่าช้าในการแก้ปัญหาที่เกิดขึ้นหลังปี 2021 วิธีการแก้ไขคือ การเพิ่มข้อมูลหรือการทดลองเพิ่มเติมที่มีต่อพยานให้กับโมเดล 2. ปัญหาความเข้าใจของคำถาม โมเดล ChatGPT มีปัญหาในการเข้าใจคำถามอย่างชัดเจน ทำให้มีความล่าช้าในการแก้โจทย์ วิธีการแก้ไขคือ การให้ข้อมูลสำหรับระบุคำถามที่ชัดเจนมากยิ่งขึ้น 3 คำถามที่ถามบ่อย 1. จะสามารถวัดประสิทธิภาพของ AI ได้อย่างไร? การวัดประสิทธิภาพของ AI สามารถทำได้โดยการทดลองและประเมินคลื่นเสียงที่เกิดขึ้นจากการใช้งานของโมเดล […]

[ad_1] 2 บทเรียน ที่ควรรู้ ภาษาจีนกวางตุ้ง (Cantonese) ถูกเพิ่มใน Google Translate – Google Translate เพิ่มภาษาที่ถูกเรียกร้องมากที่สุด ภาษาจีนกวางตุ้งเป็นหนึ่งในนั้น มีผู้ใช้งานมากกว่า 614 ล้านคน คิดเป็น 8% ของประชากรโลก การพัฒนาระบบแปลภาษาโดยใช้ PaLM 2 และโครงการ 1,000 Languages Initiative – การพัฒนาระบบแปลภาษาเพื่อครอบคลุม 1,000 ภาษาทั่วโลก 2 ปัญหา และ วิธีการแก้ไข ปัญหาที่อาจเกิดขึ้นจากการเพิ่มภาษาใหม่ – การเพิ่มภาษาใหม่อาจมีปัญหาเกี่ยวกับความแม่นยำในการแปล วิธีการแก้ไขคือการตรวจสอบข้อมูลและปรับปรุงโมเดลแปลภาษาอย่างต่อเนื่อง ปัญหาความเร็วในการแปล – วิธีการแก้ไขปัญหาความเร็วในการแปลคือการพัฒนาระบบแปลที่มีประสิทธิภาพมากยิ่งขึ้น 3 คำถามที่ถามบ่อย ภาษาจีนกวางตุ้งมีผู้ใช้งานมากเท่าไร – ภาษาจีนกวางตุ้งมีผู้ใช้งานมากกว่า 614 ล้านคน คิดเป็น 8% ของประชากรโลก โมเดลภาษา PaLM 2 […]

[ad_1] บทเรียนที่ควรรู้ 1. ชุดข้อมูล WangchanThaiInstruct สำหรับ fine-tuning โมเดล LLM บทความนี้เกี่ยวกับการปล่อยชุดข้อมูล WangchanThaiInstruct ที่สร้างโดยมนุษย์ทั้งหมดและเปิดให้ใช้งานได้เสรี โดยครอบคลุมทั้งหัวข้อทางการแพทย์, การเงิน, การค้า, และกฎหมาย ชุดข้อมูลนี้สามารถใช้ในการ fine-tuning โมเดล LLM ในการปรับปรุงประสิทธิภาพของโมเดล 2. เพิ่มชุดข้อมูลทุกเดือนจนครบ 40,000 รายการ สถาบัน VISTEC ได้ประกาศว่าจะเพิ่มชุดข้อมูลใหม่ทุกเดือนจนครบ 40,000 รายการ เพื่อเสริมความครอบคลุมและคุณภาพของชุดข้อมูล WangchanThaiInstruct ปัญหาและวิธีการแก้ไข 1. ปัญหาการจัดหมวดหมู่ข้อมูล ปัญหาที่อาจเกิดขึ้นคือการจัดหมวดหมู่ข้อมูลไม่ถูกต้องหรือไม่ครอบคลุม วิธีการแก้ไขคือการตรวจสอบและปรับปรุงระบบจัดหมวดหมู่เพื่อให้ได้ผลลัพธ์ที่แม่นยำที่สุด 2. ปัญหาการเลือกคำตอบจากตัวเลือก อีกปัญหาที่อาจเกิดขึ้นคือการเลือกคำตอบจากตัวเลือกไม่ถูกต้อง วิธีการแก้ไขคือการพัฒนาระบบเลือกคำตอบที่มีประสิทธิภาพและแม่นยำมากขึ้น คำถามที่ถามบ่อย 1. ชุดข้อมูล WangchanThaiInstruct สร้างโดยใคร? 2. มีทั้งหมดกี่ประเภทของงานในชุดข้อมูล? 3. เว็บไซต์จากที่มาของข้อมูลคืออะไร? เว็บไซต์ที่เกี่ยวข้อง 1. Facebook: VISTEC 2. […]

[ad_1] บทเรียนที่ควรรู้ 1. ความสำคัญของความยาวอินพุตในโมเดล Gemini 1.5 Pro บทความนี้เผยแพร่ข้อมูลเกี่ยวกับการเปิดให้นักพัฒนาใช้งานโมเดล Gemini 1.5 Pro ที่มีความยาวอินพุต 2 ล้านโทเคน ซึ่งเป็นเส้นทางใหม่ที่ช่วยประมวลผลข้อมูลที่ซับซ้อนได้มากยิ่งขึ้น 2. วิธีการใช้งาน Gemini API ในการลดค่าใช้จ่าย โดยการใช้งาน context caching ผู้ใช้สามารถลดค่าใช้จ่ายในการป้อนข้อมูลที่มีความยาวอินพุตใหญ่ขึ้นลงโดยอัตโนมัติ ปัญหาและวิธีการแก้ไข 1. ปัญหาค่าใช้จ่ายเพิ่มขึ้นจากการใช้งานโมเดล Gemini 1.5 Pro การเพิ่มความยาวของอินพุตอาจทำให้ค่าใช้จ่ายเพิ่มขึ้น อย่างไรก็ตามการใช้งาน context caching จะช่วยลดค่าใช้จ่ายลงได้ 2. ปัญหาการจำค่าจ่ายในการแคชข้อมูล ความยาวของอินพุตที่ถูกแคชจะมีราคาถูกกว่าอินพุตใหม่ ผู้ใช้สามารถกำหนดจำนวนและระยะเวลาในการแคชเพื่อลดค่าใช้จ่าย คำถามที่ถามบ่อย 1. ค่าใช้จ่ายในการใช้งานโมเดล Gemini 1.5 Pro มีผลต่อการพัฒนาโมเดลหรือไม่? ค่าใช้จ่ายมีผลมากน้อยต่อการพัฒนาโมเดล โดยเฉพาะเมื่อใช้งาน context caching 2. วิธีการกำหนดจำนวนและระยะเวลาในการแคชข้อมูลใน Gemini API เป็นไปอย่างไร? […]

[ad_1] 2 บทเรียน ที่ควรรู้ 1. การใช้ Gemini API ในการโค้ด Python บทความนี้เสนอฟีเจอร์ใหม่ของ Gemini API ที่อนุญาตให้ผู้ใช้ส่งคำถามที่ต้องการการคำนวณผ่านโค้ด Python และ Gemini API จะสร้างโค้ดขึ้นมาและส่งไปรันบนเซิร์ฟเวอร์ของกูเกิล ซึ่งเป็นการเพิ่มประสิทธิภาพในการคำนวณผ่าน API 2. ความใกล้ชิดระหว่าง Gemini API และ OpenAI บทความเน้นถึงความใกล้ชิดระหว่าง Gemini API กับ OpenAI หลังจากที่ OpenAI เปิดตัว Assistant API ที่รันโค้ดได้เหมือนกัน แต่ Gemini มีความได้เปรียบในเรื่องค่ารัน Python ที่เป็นฟรี เปรียบเทียบกับ OpenAI ที่คิดค่าเรทเร็วๆกันตามการรันโค้ด 2 ปัญหา และ วิธีการแก้ไข 1. การจำกัดโมดูลที่ติดตั้งบนเซิร์ฟเวอร์ของกูเกิล ปัญหาที่อาจเกิดขึ้นคือการจำกัดโมดูลที่สามารถติดตั้งบนเซิร์ฟเวอร์ของกูเกิล ทำให้ผู้ใช้ไม่สามารถใช้โมดูลอื่นๆ ที่ไม่ได้ติดตั้งไว้ในระบบ […]

[ad_1] 2 บทเรียน ที่ควรรู้ 1. การทดสอบโมเดลภาษา บทความเกี่ยวกับการทดสอบโมเดลภาษาจาก Hugging Face นำเสนอถึงวิธีการทดสอบโมเดล LLM แบบเปิด (open large language model) ในงานต่าง ๆ โดยใช้ตัววัดผลที่มีอย่าง MMLU-Pro, GPQA, MuSR, MATH, IFEval และ BBH ซึ่งช่วยให้ผู้อ่านเข้าใจถึงกระบวนการทดสอบและประสิทธิภาพของโมเดลในการแก้ปัญหาต่าง ๆ 2. ผลการจัดอันดับ LLM leaderboard บทความนี้นำเสนอผลการจัดอันดับ LLM leaderboard ครั้งที่สอง ที่เกี่ยวกับการทดสอบโมเดล Qwen2-72B-Instruct และ Meta-Llama-3-70B-Instruct จาก Alibaba และ Meta ตามลำดับ ซึ่งช่วยให้ผู้อ่านทราบถึงผลการทดสอบและการประเมินความสามารถของโมเดลต่าง ๆ 2 ปัญหา และ วิธีการแก้ไข 1. ปัญหาการอธิบายวิธีการขั้นตอน การอธิบายวิธีการขั้นตอนในงานทดสอบโมเดลภาษาอาจมีความซับซ้อนและยาก ผู้เขียนของบทความสามารถแจ้งให้ทราบถึงเทคนิคหรือแนวทางการอธิบายวิธีการขั้นตอนอย่างชัดเจนเพื่ออำนวยความสะดวกในการเข้าใจ […]

[ad_1] บทเรียนที่ควรรู้ 1. ความสำคัญของโมเดลปัญญาประดิษฐ์ บทความนี้เน้นการปล่อยโมเดลปัญญาประดิษฐ์ในรูปแบบเปิดให้ใช้เพื่อการวิจัยเท่านั้น ซึ่งเป็นบทเรียนสำคัญว่าการเข้าใจและใช้โมเดลปัญญาประดิษฐ์จะช่วยส่งเสริมนวัตกรรมและการวิจัยในหลากหลายด้าน 2. การใช้โมเดลปัญญาประดิษฐ์เพื่อสร้างสิ่งใหม่ โมเดลปัญญาประดิษฐ์สามารถใช้สร้างสิ่งใหม่เช่น สร้างภาพพร้อมเนื้อหาที่ต่อเนื่องกับภาพเดิม หรือการสร้างเพลงจากอินพุตต่างๆ ซึ่งเป็นบทเรียนว่าโมเดลนี้เปิดทางให้องค์กรและนักวิจัยสร้างสรรค์สิ่งใหม่ๆ ได้ ปัญหาและวิธีการแก้ไข 1. ความถี่ของการใช้งานโมเดลปัญญาประดิษฐ์ ปัญหาที่อาจเกิดขึ้นคือการมีความถี่ในการใช้งานโมเดลปัญญาประดิษฐ์ที่อาจทำให้เกิดการใช้งานอย่างไม่ระมัดระวัง วิธีการแก้ไขคือการควบคุมและจำกัดการเข้าถึงโมเดลตามวัตถุประสงค์การใช้งาน 2. การควบคุมคุณภาพของผลลัพธ์ที่สร้างขึ้น ปัญหาที่อาจเกิดขึ้นคือการควบคุมคุณภาพของผลลัพธ์ที่สร้างขึ้นจากโมเดลปัญญาประดิษฐ์ วิธีการแก้ไขคือการตรวจสอบและประเมินผลลัพธ์อย่างสม่ำเสมอเพื่อให้มั่นใจในคุณภาพ คำถามที่ถามบ่อย 1. โมเดลปัญญาประดิษฐ์ที่ปล่อยออกมาในรูปแบบเปิดให้ใช้เพื่อเชื่อมโยงกับวิจัยเท่านั้นหรือไม่? โมเดลปัญญาประดิษฐ์ที่ Meta ปล่อยออกมาใช้เฉพาะสำหรับการวิจัยเท่านั้น และไม่เปิดให้ใช้งานเชิงการค้า 2. โมเดลปัญญาประดิษฐ์สามารถใช้สร้างสิ่งใหม่ในแขนงใดบ้าง? โมเดลปัญญาประดิษฐ์สามารถใช้สร้างสิ่งใหม่เช่น สร้างภาพพร้อมเนื้อหาที่ต่อเนื่องกับภาพเดิม หรือการสร้างเพลงจากอินพุตต่างๆ เวปไซท์ที่เกี่ยวข้อง 1. Meta Newsroom เวปไซท์ที่ประกาศข่าวเกี่ยวกับการปล่อยโมเดลปัญญาประดิษฐ์ใหม่จาก Meta 2. ภาพที่เกี่ยวข้อง ภาพที่แสดงเกี่ยวกับโมเดลปัญญาประดิษฐ์ คำค้นหาที่เกี่ยวข้อง 1. โมเดลปัญญาประดิษฐ์ คำค้นหาเกี่ยวกับโมเดลปัญญาประดิษฐ์และการปล่อยให้ใช้เพื่อการวิจัย 2. Meta AI research models คำค้นหาสำหรับโมเดลการวิจัยแห่ง Meta ในด้านปัญญาประดิษฐ์ […]

[ad_1] 2 บทเรียน ที่ควรรู้ 1. การพัฒนาโมเดลปัญญาประดิษฐ์ใหม่ บทความนี้เป็นข้อมูลเกี่ยวกับการพัฒนาโมเดลปัญญาประดิษฐ์ Gemma 2 จาก Google ที่มีความสามารถเพิ่มขึ้นในด้านความฉลาด ความเร็ว และความปลอดภัย ซึ่งน่าสนใจในการเรียนรู้เรื่องการพัฒนาเทคโนโลยีที่เป็นประโยชน์ต่อโลกออนไลน์ 2. การใช้ Gemma 2 ในงาน Chatbot Arena การรายงานการทดสอบ Gemma 2 บน Chatbot Arena ที่แสดงให้เห็นความสามารถของโมเดลที่มีขนาดต่างๆ และความสามารถในการเปรียบเทียบประสิทธิภาพ เป็นข้อมูลที่น่าสนใจสำหรับผู้สนใจในการพัฒนา Chatbot และปัญญาประดิษฐ์ 2 ปัญหา และ วิธีการแก้ไข 1. ปัญหาความแกว่งของค่า การทดสอบแสดงให้เห็นว่ามีค่าจำนวนการทดสอบที่ไม่มากพอเพื่อทำให้การเปรียบเทียบสมบูรณ์ เพื่อแก้ไขปัญหานี้ควรเพิ่มค่าการทดสอบในอนาคต 2. ปัญหาคะแนนเฉลี่ย คะแนนเฉลี่ยของ Gemma 2 9B นั้นอยู่ใกล้เคียงกับ Claude 3 Haiku ซึ่งอาจจะต้องพัฒนาความสามารถของโมเดลให้ดียิ่งขึ้น 3 คำถามที่ถามบ่อย 1. […]